利用活性区域块的深度学习方法提高太阳闪现预测
摘要
本文引入了一种新方法，利用磁图中活性区域 (AR) 块的形状特征，为预测覆盖整个太阳盘（AR 块的太阳经度范围从 -90 到 +90）的太阳闪现提供了一种新能力。我们创建了三个深度学习模型：(i) ResNet34、(ii) MobileNet 和 (iii) MobileViT 来预测 M 级闪现，并评估这些模型在各种太阳经度范围内的效果。鉴于我们数据的内在不平衡，我们在模型训练阶段采用数据增强技术和下采样，同时保持测试数据中的不平衡分区以进行真实评估。我们使用复合技能得分 (CSS) 作为评估指标，其计算方式为 True Skill Score (TSS) 和 Heidke Skill Score (HSS) 的几何平均数，以对模型进行排序和比较。本工作的主要贡献如下：(i) 我们引入了太阳闪现预测中一种新的能力，允许针对整个太阳盘上的每个 AR 进行闪现预测，并评估和比较了性能；(ii) 我们的候选模型 (MobileNet) 在 AR 块位于 30、60、90 的太阳经度范围内分别获得 CSS=0.51 (TSS=0.60 和 HSS=0.44)、CSS=0.51 (TSS=0.59 和 HSS=0.44) 以及 CSS=0.48 (TSS=0.56 和 HSS=0.40)。此外，我们演示了能够为位于近 limb 区域（位于 60 到 90 之间的区域）发布闪现预测的能力，CSS=0.39 (TSS=0.48 和 HSS=0.32)，拓展了 AR 基于模型的太阳闪现预测范围。这一进展为更可靠的太阳闪现预测开辟了新途径，从而有助于改进预测能力。
引用
@article{arxiv.2406.11054,
title = {Advancing Solar Flare Prediction using Deep Learning with Active Region Patches},
author = {Chetraj Pandey and Temitope Adeyeha and Jinsu Hong and Rafal A. Angryk and Berkay Aydin},
journal= {arXiv preprint arXiv:2406.11054},
year = {2024}
}
备注
This is a preprint submitted to European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, (ECML PKDD), 2024